现象

一个平凡的午高峰，服务在全量上线的过程中，碰到一个非常重要的下游接口超时（后来发现该下游也在上线，可用实例数变少，正常实例负载变高，超时了一丢丢），拿不到该拿的数据，阻塞了启动。这样，打到线上正常实例上的流量就增加了。

不大会儿，线上大量实例 OOM，报警满天飞。不得已，回滚（遇到事故，第一件事就是回滚）。没想到，回滚无效，OOM 的实例数还是一直在增加，给跪了。

中间查到服务在启动过程中，一直在尝试调那个超时的下游，就临时把超时时间加大，并取消回滚，紧急上线了一把。

之后，正常启动的实例越来越多，服务逐渐恢复。

第一天排查

发生事故之后就是排查过程了。

第一天，只查到了 OOM 的实例 goroutine 数暴涨，接口 QPS 有尖峰，比正常翻了几倍。所以，得到的结论就是接口流量太多，超过服务极限，导致 OOM。

接着尝试在预览环境压测，没有复现 OOM，gg。

结论有问题！

第二天运气比较好，发现了线上有一个实例在不断地重启，一看监控，发现正常启动后，5 分钟左右就 OOM 了。

有现场就不慌。

正好跟着曹大学会了如何用 pprof 查问题，马上就安排，三下五除二就搞定了。

先看 inuse_space：

虽然，这个 model 占用的内存比较高，但这是正常的业务逻辑，看了看相关的代码最近也没有改动。

所以，这个只能是果，不是因。

再看 CPU：

中间加粗的红色线条和方框就差要告诉我有问题的代码在哪一行了！图上方有调 metrics 的函数名（这里没展示出来），一搜就搜出来了。

再看了下 goroutine：

结论还是一样的。

顺着图上的函数名，马上就在一个多重嵌套循环里找到了一处不那么显眼的打点。

metrics 打点的剧本我熟，之前看了曹大的“几个 Go 系统可能遇到的锁问题”的文章（点击阅读原文可读），逻辑大概是这样的：

由于 metrics 底层是用 udp 发送的，有文件锁，大量打点的情况下，会引起激烈的锁冲突，造成 goroutine 堆积、请求堆积，和请求关联的 model 无法释放，于是就 OOM 了。

然后我们替换 bin 上到这台 OOM 的机器，果然恢复正常了，收工！

最后看了下 metrics 的代码，其实还不是文件锁的原因。不过也差不多了，也是一把大锁，所有 goroutine 的打点都会先 append 到一个 slice 里，append 前要先加锁。

由于这个地方的打点非常多，几十万 QPS，一冲突，goroutine 都 gopark 去等锁了，持有的内存无法释放，服务一会儿就 gg 了。

引发这次事故的代码其实是一年多前写的，跑了一年都没出事，这次就遇到了，你说可气不？

幸亏不是自己写的，但也要敲个警钟：我写的每一行代码，将来都可能会引发事故，一定要认真对待。

遇到 OOM 不可怕，有现场就行。拿不到现场，我也没啥好办法。实在不行，用曹大的 holmes 试试，这个工具还是很厉害的，还帮曹大贡献了个 golang 的 mr。

平时要多看相关的事故排查文章，必要的时候练习一下 pprof 工具的使用，关键的时候还是能顶用的。